Güç Esnekliği Sağlayan Yapay Zekâ Veri Merkezleri: Şebekeye Duyarlı Hesaplama için Yeni Bir Yaklaşım

Özet

Çalışma, 2026 tarihli bir arXiv ön baskısıdır (arXiv:2606.25098; DOI 10.48550/arXiv.2606.25098) ve IEEE'ye gönderilmiştir. Yazarlar arasında Emerald AI, EPRI, National Grid, NVIDIA ve Oracle bağlantılı ekipler yer alır. Mimari, şebeke sinyallerini, iş yükü zamanlamasını ve GPU güç telemetrisini birbirine bağlar.

Birleşik Krallık'taki 130 kW'lık bir NVIDIA Blackwell Ultra kümesinde sistem, National Grid ve EPRI dağıtım olaylarını, sıfır bildirimli acil azaltmalar, saatlerce süren kısma ve tekrarlı dağıtımlar dahil izlemiş, öncelikli işlerin verimini korumuştur. Küme, 200'ü aşkın farklı National Grid güç olayında yüzde 100 uyum sağlamıştır. Sürpriz bir acil dağıtımda küme gücü 40 saniye içinde yaklaşık yüzde 30 düşürmüş; diğer testlerde yaklaşık bir dakikada yüzde 40 azaltma sağlanmıştır.

Sürekli kısma testlerinde iki ila on saat boyunca yüzde 10-40 azaltma istenmiş; esnek, düşük öncelikli işler sınırlandırıldığı veya geciktirildiği için yüksek öncelikli işler neredeyse tam verimi korumuştur. İkinci deneyde, bir Dominion Energy kış tepe olayı sırasında canlı çıkarım trafiğinin yüzde 10'u Virginia'daki bir H100 kümesinden Illinois'e taşınmıştır; GPU başına 375 W sınırı, 15 dakikalık aşağı rampa ve üç saatlik bekleme yaklaşık 3,1 kW'ı Chicago kümesine kaydırmıştır.

Atıf yapılan önceki bir saha denemesi, iş hizmet düzeylerini korurken tepe talepte yapay zekâ küme elektrik tüketimini yüzde 25 azaltmıştır. Yazarlar bu yeteneklerin veri merkezlerinin sabit olmayan (non-firm) veya esnek yükler olarak bağlanmasına izin vererek bağlantıyı hızlandırabileceğini savunur. Sonuçlar küçük bir küme ve sınırlı sayıda deneye dayanır.

Öne çıkan noktalar

1. 130 kW'lık NVIDIA Blackwell Ultra kümesinde 200'ü aşkın farklı National Grid güç olayında yüzde 100 uyum sağlanmıştır.
2. Sürpriz acil dağıtımda küme gücü 40 saniye içinde yaklaşık yüzde 30, diğer testlerde yaklaşık bir dakikada yüzde 40 azaltılmıştır.
3. Sürekli kısma testleri iki ila on saat boyunca yüzde 10-40 azaltma istemiştir; yüksek öncelikli işler neredeyse tam verimini korumuştur.
4. Canlı çıkarım trafiğinin yüzde 10'u Virginia'dan Illinois'e taşınmıştır; GPU başına 375 W sınırı, 15 dakikalık aşağı rampa ve üç saatlik bekleme yaklaşık 3,1 kW'ı Chicago kümesine kaydırmıştır.
5. Önceki bir saha denemesi, hizmet düzeylerini korurken tepe talepte yapay zekâ küme tüketimini yüzde 25 azaltmıştır.
6. Yazarlar, bu yeteneğin esnek yük olarak bağlantıyı hızlandırabileceğini savunur.

Tasarımda kullanımı

• Şebeke bağlantı modülüne bir 'esnek yük' profili ekleyin: taahhüt edilen azaltma derinliği (%), yanıt süresi (s), süre (h) ve toparlanma; iş yükü öncelik karışımından türetin.
• Bu profili, sabit olmayan veya esnek bağlantı seçeneklerini değerlendirmek ve gerçekte ne kadar sabit kapasite (artı UPS/BESS) gerektiğini boyutlandırmak için kullanın.
• Kontrol şartnamesine GPU düzeyinde güç sınırı telemetrisi ve bir dağıtım arayüzü gereksinimini kaydedin.

Kimler okumalı

Şebeke bağlantısı ve kontrol sistemleri tasarlayan elektrik mühendisleri, yapay zekâ altyapısı planlayıcıları ve enerji analistleri.

Yayın bilgileri

Yazarlar

Chris Williams; Philip Colangelo; Ayse Coskun; Ethan Levine; Andy Neale; Ciaran Roberts; Shayan Sengupta; Nikhil Shirolkar; Varun Sivaram; Sarah Soares; Ethan Tiao; Scott Underwood; Daniel Wilson; Frank Sharp; Luke Wainwright; Harry Petty; Scott Wallace; Brandon Records

Yayıncı

arXiv preprint (Emerald AI / EPRI / National Grid / NVIDIA / Oracle; submitted to IEEE)

Yıl

2026

Belge numarası

arXiv:2606.25098

Belge dili

İngilizce

Kaynak türü

Bilimsel yayın

Erişim

Ücretsiz okunur

DOI

10.48550/arXiv.2606.25098

Lisans

arXiv dağıtım izni — yeniden kullanım koşulları hak sahibine bağlıdır

Künye